Amanda, Dwi Rahmah (2023) ANALISIS PERFORMA ALGORITMA MACHINE LEARNING DALAM PREDIKSI UNSUR HARA TANAH ULTISOL BERDASARKAN NILAI IMPEDANSI. S1 thesis, UNIVERSITAS JAMBI.
![[img]](https://repository.unja.ac.id/style/images/fileicons/text.png) |
Text (Analisis Performa Algoritma Machine Learning dalam Prediksi Unsur Hara Tanah Ultisol berdasarkan Nilai Impedansi)
Skripsi Full-Dwi Rahmah A.pdf - Published Version Restricted to Repository staff only Download (4MB) |
|
Text (Analisis Performa Algoritma Machine Learning dalam Prediksi Unsur Hara Tanah Ultisol berdasarkan Nilai Impedansi)
Abstrak.pdf - Published Version Download (213kB) |
|
Text (Analisis Performa Algoritma Machine Learning dalam Prediksi Unsur Hara Tanah Ultisol berdasarkan Nilai Impedansi)
BAB 1.pdf - Published Version Download (225kB) |
|
Text (Analisis Performa Algoritma Machine Learning dalam Prediksi Unsur Hara Tanah Ultisol berdasarkan Nilai Impedansi)
Bab 5.pdf - Published Version Download (213kB) |
|
Text (Analisis Performa Algoritma Machine Learning dalam Prediksi Unsur Hara Tanah Ultisol berdasarkan Nilai Impedansi)
Cover-Skripsi.pdf - Published Version Download (211kB) |
|
Text (Analisis Performa Algoritma Machine Learning dalam Prediksi Unsur Hara Tanah Ultisol berdasarkan Nilai Impedansi)
Halaman Persetujuan.pdf - Published Version Download (329kB) |
|
Text (Analisis Performa Algoritma Machine Learning dalam Prediksi Unsur Hara Tanah Ultisol berdasarkan Nilai Impedansi)
Daftar Pustaka.pdf - Published Version Download (242kB) |
Abstract
Telah dilakukan penelitian perbandingan performa algoritma machine learning untuk melakukan prediksi nilai persentase hara tanah berdasarkan nilai impedansi tanah. Pemodelan dirancang menggunakan machine learning dengan algoritma yang digunakan adalah Linear Model, K-Nearest Neighbors, Decision Tree, dan Random Forest. Perbandingan performa algoritma machine learning pada saat training section didapatkan 10 variasi model dengan performa terbaik yaitu Linear Model, K-NN (dengan jumlah n-neighbors3, 18, 21, 24, 27, 30), Decision Tree dengan jumlah max depth 3, dan Random Forest (dengan jumlah n-estimator 6 dan 21). Sedangkan pada saat pengujian atau testing section model dengan performa terbaik dimiliki oleh model Random Forest (n-estimator 21) dengan nilai MAE (Mean Absolute Error) = 0,15%, MSE (Mean Squared Error) = 0,09%, RMSE (Root Mean Squared Error) = 0,31%, dan akurasi = 99,85%. Untuk mengukur sejauh mana hubungan yang saling berkaitan antara nilai unsur hara dan impedansi tanah dilakukan uji regresi. Hasilnya didapatkan nilai R-squared atau koefisien determinasi sebesar 0,924. Nilai R-squared yang mendekati 1 mengindikasikan bahwa hampir semua variasi dalam variabel dependen (nilai impedansi tanah) dapat dijelaskan oleh variasi dalam variabel-variabel independen (nilai unsur hara tanah). Adapun untuk hasil uji korelasi terdapat hubungan korelasi negatif dan positif antar variabel. Korelasi negatif terjadi pada hubungan nilai impedansi terhadap unsur Al, Fe, K, Ca, Zn, Ni, Ta, V, Cr, dan Mn dengan korelasi rata-rata berkisar pada rentang -0,81 s/d -0,99. Hal ini menunjukkan terdapat hubungan yang kuat antara nilai impedansi dan unsur hara tersebut yang arahnya berlawanan. Sedangkan korelasi positif terjadi antara nilai impedansi tanah terhadap unsur Mg, Si, S, Cl, Ti, Zr, dan Ga dengan nilai korelasi berkisar antara 0,65 s/d 0,99. Hal ini mengindikasikan bahwa ketika nilai impedansi meningkat, nilai kandungan unsur hara akan cenderung meningkat.
| Type: | Thesis (S1) |
|---|---|
| Uncontrolled Keywords: | Machine Learning, Tanah ultisol |
| Subjects: | L Education > L Education (General) |
| Divisions: | Fakultas Sains dan Teknologi > Fisika |
| Depositing User: | Amanda |
| Date Deposited: | 08 Jan 2024 04:52 |
| Last Modified: | 08 Jan 2024 04:52 |
| URI: | https://repository.unja.ac.id/id/eprint/59634 |
Actions (login required)
 |
View Item |
